Data Feminism

Catherine D'Ignazio, Lauren F. Klein , 2020

Dieses Biblionetz-Objekt existiert erst seit Dezember 2024. Es ist deshalb gut möglich, dass viele der eigentlich vorhandenen Vernetzungen zu älteren Biblionetz-Objekten bisher nicht erstellt wurden. Somit kann es sein, dass diese Seite sehr lückenhaft ist.

Zusammenfassungen

A new way of thinking about data science and data ethics that is informed by the ideas of intersectional feminism. Today, data science is a form of power. It has been used to expose injustice, improve health outcomes, and topple governments. But it has also been used to discriminate, police, and surveil. This potential for good, on the one hand, and harm, on the other, makes it essential to ask: Data science by whom? Data science for whom? Data science with whose interests in mind? The narratives around big data and data science are overwhelmingly white, male, and techno-heroic. In Data Feminism, Catherine D'Ignazio and Lauren Klein present a new way of thinking about data science and data ethics-one that is informed by intersectional feminist thought. Illustrating data feminism in action, D'Ignazio and Klein show how challenges to the male/female binary can help challenge other hierarchical (and empirically wrong) classification systems. They explain how, for example, an understanding of emotion can expand our ideas about effective data visualization, and how the concept of invisible labor can expose the significant human efforts required by our automated systems. And they show why the data never, ever "speak for themselves." Data Feminism offers strategies for data scientists seeking to learn how feminism can help them work toward justice, and for feminists who want to focus their efforts on the growing field of data science. But Data Feminism is about much more than gender. It is about power, about who has it and who doesn't, and about how those differentials of power can be challenged and changed.

Von Klappentext im Buch Data Feminism (2020)

Kapitel

1. The Power Chapter - Principle: Examine Power
2. Collect, Analyze, Imagine, Teach - Principle: Challenge Power
3. On Rational, Scientific, Objective Viewpoints from Mythical, Imaginary, Impossible Standpoints - Principle: Elevate Emotion and Embodiment
4. «What Gets Counted Counts»
5. Unicorns, Janitors, Ninjas, Wizards, and Rock Stars - Principle: Embrace Pluralism
6. The Numbers Don’t Speak for Themselves - Principle: Consider Context
7. Show your work - Principle: Make Labor Visible

Dieses Buch erwähnt ...

Dieses Buch erwähnt vermutlich nicht ...

Nicht erwähnte Begriffe

Datenbank, Datenschutz, Digitalisierung, Information, Internet, Privatsphäre

Zitationsgraph

Diese SVG-Grafik fensterfüllend anzeigen

Zitationsgraph (Beta-Test mit vis.js)

Zeitleiste

14 Erwähnungen

Hello World 14 (2020)
Annotation (Remi H. Kalir, Antero Garcia) (2021)
The Atlas of AI (Kate Crawford) (2021)
Code as Creative Medium (Golan Levin, Tega Brain) (2021)
Post-Digital, Post-Internet Art and Education - The Future is All-Over (Kevin Tavin, Gila Kolb, Juuso Tervo) (2021)
- 16. Creative Coding as Compost(ing) (Tomi Slotte Dufva)
Learning to Live with Datafication - Educational Case Studies and Initiatives from Across the World (Luci Pangrazio, Julian Sefton-Green) (2022)
New Perspectives in Critical Data Studies - The Ambivalences of Data Power (Andreas Hepp, Juliane Jarke, Leif Kramp) (2022)
- New Perspectives in Critical Data Studies: The Ambivalences of Data Power - An Introduction
Behind Their Screens - What Teens Are Facing (and Adults Are Missing) (Emily Weisntein, Carrie James) (2022)
Doing Research - Wissenschaftspraktiken zwischen Positionierung und Suchanfrage (Sandra Hofhues, Konstanze Schütze) (2022)
- .exe - Software und ihre Bedeutung für eine erziehungswissenschaftliche Medienforschung (Dan Verständig)
Practicing Sovereignty. Interventions for Open Digital Futures - Proceedings of the Weizenbaum Conference 2022 (2023)
Jahrbuch Medienpädagogik 20 - Inklusive Medienbildung in einer mediatisierten Welt: Medienpädagogische Perspektiven auf eininterprofessionelles Forschungsfeld (Anna-Maria Kamin, Jens Holze, Melanie Wilde, Klaus Rummler, Valentin Dander, Nina Grünberger, Mandy Schiefner) (2023)
- Ausgerechnet Algorithmen - Über die Erklärbarkeit automatischer Spracherkennung und die Konsequenzen für Theorie und Praxis der Inklusiven Medienbildung (Janne Stricker, Dan Verständig)
Theorien des digitalen Kapitalismus - Arbeit und Ökonomie, Politik und Subjekt (Tanja Carstensen, Simon Schaupp, Sebastian Sevignani) (2023)
Critical Data Literacies - Rethinking Data and Everyday Life (Luci Pangrazio, Neil Selwyn) (2023)
Nexus - Eine kurze Geschichte der Informationsnetzwerke von der Steinzeit bis zur künstlichen Intelligenz (Yuval Noah Harari) (2024)

Co-zitierte Bücher

Software Studies

A Lexicon

(Matthew Fuller) (2008) local

The Platform Society

Public Values in a Connective World

(José van Dijck, Thomas Poell, Martijn de Waal) (2018) local

Algorithms of Oppression

How Search Engines Reinforce Racism

(Safiya Umoja Noble) (2018) local

Volltext dieses Dokuments

	Data Feminism: Gesamtes Buch als Volltext (: , 39947 kByte)
	Unicorns, Janitors, Ninjas, Wizards, and Rock Stars: Artikel als Volltext (: , 3049 kByte; : )
	On Rational, Scientific, Objective Viewpoints from Mythical, Imaginary, Impossible Standpoints: Artikel als Volltext (: , 3885 kByte; : )
	The Numbers Don’t Speak for Themselves: Artikel als Volltext (: , 2298 kByte; : )
	Collect, Analyze, Imagine, Teach: Artikel als Volltext (: , 3211 kByte; : )
	«What Gets Counted Counts»: Artikel als Volltext (: , 4371 kByte; : )
	The Power Chapter: Artikel als Volltext (: , 4980 kByte; : )

Anderswo suchen

Beat und dieses Buch

Beat hat dieses Buch erst in den letzten 6 Monaten in Biblionetz aufgenommen. Er hat dieses Buch einmalig erfasst und bisher nicht mehr bearbeitet. Beat besitzt kein physisches, aber ein digitales Exemplar. (das er aber aus Urheberrechtsgründen nicht einfach weitergeben darf).

Personen KB IB clear	Donna Haraway
Aussagen KB IB clear	Der Frauenanteil in der Informatik ist klein. Machine Learning kann bestehende Vorurteile/Ungerechtigkeiten verstärken/weitertragen
Begriffe KB IB clear	Algorithmus algorithm , bias , big data big data , Classification Classification , Computer computer , crowdsourcing crowdsourcing , Daten data , Denken thinking , Embodiment Embodiment , Ethik ethics , facebook , Gender Gender , Google , HCI/MMI (Human-Computer-Interaction)Human-Computer-Interaction , Kontext context , Künstliche Intelligenz (KI / AI)artificial intelligence , Macht power , Objektivität objectivity , Programmieren programming , Software software , Software Engineering Software Engineering , Verstehen understanding , Visualisierung visualization , Wikipedia , Wissenschaft science

Beats Biblionetz - Bücher